融合高效注意力的生成对抗网络图像修复算法.pdfVIP

第21卷第1期沈阳工程学院学报（自然科学版）Vol.21No.1

2025年1月JournalofShenyangInstituteofEngineering（NaturalScience）Jan.2025

DOI：10.13888/j.cnki.jsie（ns）.2025.01.011

融合高效注意力的生成对抗网络图像修复算法

1121

袁雪丰，杜洪波，朱立军，刘雪莉

（1.沈阳工业大学理学院，辽宁沈阳110870；

2.北方民族大学信息与计算科学学院，宁夏银川750021）

摘要：针对现有图像修复算法存在细节纹理结构还原效果不佳及修复区域与图像未缺损区

域的视觉连通性较差的问题，提出了一种以双判别生成对抗网络为框架，融合高效通道注意力

（ECA）和感知损失的图像修复算法（EPGAN）。ECA模块用于调节不同通道的权重，提高特征

利用率来获取待修复区域与未缺损区域关联性更高的像素信息，利用VGG16模型提取特征得

到感知损失用来学习语义特征差异，消除动态模糊，使修复结果保留更多细节和边缘信息。

EPGAN算法在数据集CelebA和Places2上分别做了定性、定量分析及消融实验，根据峰值信噪

比和结构相似性的评价结果及修复效果显示：EPGAN算法优于GLCIC、GC和MFCL图像修复

算法，且通道注意力和感知损失有效地改善了模型的修复效果。

关键词：图像修复；生成对抗网络；通道注意力；感知损失

中图分类号：TP391.41文献标识码：A文章编号：1673-1603（2025）01-0063-08

［1］

传统的图像修复主要有基于结构和基于纹基础结构应用到图像修复当中的方法，保证了生成

［2］

理两种方法。基于结构重建的修复算法一般可像素的细节重建精度，但只用到了修复图片内的信

［3］

以实现图像整体框架的修复，基于纹理补全的修息，没有有效利用数据集中的数据以达到更好的性

［4］

复算法则能补全图像细节。这两种传统的图像能。现阶段，生成对抗网络（GAN）通过训练大量

修复算法对于修复区域复杂、修复内容为细节丰富数据进行图像生成的强大功能为图像处理技术提

的非重复结构图像（例如人脸、物体），则不能很好供了更多的便利，基于生成模型的图像修复算法被

［9-10］

地修复出完整的图像内容。大量应用。文献［11］在GAN的基础架构中加

传统的图像修复方法不能有效地获取图像高入一个判别器，分别在细节和整体上判别生成图像

级语义信息。伴随人工智能的兴起，深度学习的快的效果，但其修复效果在细节纹理上稍显不足。文

速发展使图像处理技术得到启发，随之出现了基于献［12］提出一种在GAN中加入带有处理长范围、

［5-6］

深度学习的图像处理算法。深度学习中的卷积多层次交互能力的